买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：腾讯科技(深圳)有限公司

摘要：本申请涉及一种目标检测方法、装置、计算机可读存储介质和计算机设备，所述方法包括：获取目标图像；通过检测模型的特征提取层对所述目标图像进行分组卷积和混洗处理，得到不同尺度的特征图，所述分组卷积为根据各组卷积核和各组输入通道的映射关系，将所述各组卷积核分别与对应的各组输入通道的特征图进行卷积处理；将所述不同尺度的特征图输入所述检测模型的检测层进行目标检测，得到所述目标图像中目标对象的信息。本申请提供的方案可以实现减少计算量并提高检测模型的运算速度。

主权项：1.一种目标检测方法，包括：获取目标图像；将所述目标图像输入检测模型的特征提取层中的当前卷积层进行卷积处理，得到所述当前卷积层的下一层的各个输入通道分别对应的特征图；当所述当前卷积层为当前的目标卷积层时，获取所述当前的目标卷积层的各组卷积核和各组输入通道之间的映射关系；根据所述映射关系将所述当前的目标卷积层的各组卷积核分别与对应的各组输入通道的特征图进行卷积处理，得到所述当前的目标卷积层输出的各组特征图，其中，一组卷积核对应一组输入通道；通过所述特征提取层中的当前的混洗层，对所述当前的目标卷积层输出的各组特征图进行混洗，获得一种尺度的特征图；将所述一种尺度的特征图按照未混洗前的组数进行分组，得到下一目标卷积层的各组输入通道对应的特征图；将下一目标卷积层作为当前的目标卷积层，将下一混洗层作为当前的混洗层，返回所述当所述当前卷积层为当前的目标卷积层时，获取所述当前的目标卷积层的各组卷积核和各组输入通道之间的映射关系的步骤并继续执行，直至获得多个不同尺度的特征图；将所述不同尺度的特征图输入所述检测模型的检测层进行目标检测，得到所述目标图像中目标对象的信息。

全文数据：目标检测方法、装置、计算机可读存储介质和计算机设备技术领域本申请涉及计算机技术领域，特别是涉及一种目标检测方法、装置、计算机可读存储介质和计算机设备。背景技术随着计算机技术的发展，出现了图像特征提取技术，图像特征提取是指通过计算机提取图像信息，决定每个图像的点是否属于一个图像特征。通过图像特征提取，可识别中图像中的关键信息，例如人脸识别、目标检测、图像分类等。传统的图像特征提取方法一般是通过卷积神经网络的卷积层提取图像特征，通过卷积核与特征通道进行卷积处理，输出图像的特征数据。但是传统的卷积神经网络的卷积层中每个卷积核与所有特征通道相关联，存在计算量大、运算速度慢的问题。发明内容基于此，有必要针对传统特征提取方法计算量大的技术问题，提供一种计算量小的目标检测方法、装置、计算机可读存储介质和计算机设备。一种目标检测方法，包括：获取目标图像；通过检测模型的特征提取层对所述目标图像进行分组卷积和混洗处理，得到不同尺度的特征图，所述分组卷积为根据各组卷积核和各组输入通道的映射关系，将所述各组卷积核分别与对应的各组输入通道的特征图进行卷积处理；将所述不同尺度的特征图输入所述检测模型的检测层进行目标检测，得到所述目标图像中目标对象的信息。一种检测模型训练方法，包括：获取训练样本和所述训练样本对应的标签；将所述训练样本输入待训练的检测模型中特征提取层的当前卷积层进行卷积处理，得到所述当前卷积层的下一层的各个输入通道分别对应的特征图；当所述当前卷积层为目标卷积层时，获取所述目标卷积层的各组卷积核和各组输入通道之间的映射关系；根据所述映射关系将所述目标卷积层的各组卷积核分别与对应的各组输入通道的特征图进行卷积处理，得到所述目标卷积层输出的各组特征图，其中，一组卷积核对应一组输入通道；通过所述检测模型中特征提取层的混洗层对所述各组特征图进行混洗，得到不同尺度的特征图；通过所述检测模型中的检测层对所述不同尺度的特征图进行目标检测，得到检测结果；按照所述检测结果和所述标签的差异，调整所述检测模型的参数并继续训练，直至满足训练停止条件时结束训练。一种目标检测装置，其特征在于，所述装置包括：获取模块，用于获取目标图像；特征提取模块，用于通过检测模型的特征提取层对所述目标图像进行分组卷积和混洗处理，得到不同尺度的特征图，所述分组卷积为根据各组卷积核和各组输入通道的映射关系，将所述各组卷积核分别与对应的各组输入通道的特征图进行卷积处理；检测模块，用于将所述不同尺度的特征图输入所述检测模型的检测层进行目标检测，得到所述目标图像中目标对象的信息。一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行任一项所述目标检测方法的步骤。一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行任一项所述目标检测方法的步骤。上述目标检测方法、装置、计算机可读存储介质和计算机设备，通过获取目标图像，通过检测模型的特征提取层对该目标图像进行分组卷积和混洗处理，该分组卷积为根据各组卷积核和各组输入通道的映射关系，将该各组卷积核分别与对应的各组输入通道的特征图进行卷积处理，从而得到不同尺度的特征图。将该不同尺度的特征图输入该检测模型的检测层进行目标检测，使得可以检测出该目标图像中不同大小的目标对象，并得到该目标图像中目标对象的信息。本方案中通过各组卷积核只与特定组的输入通道相关联，减少了计算量，从而提升了目标检测的速度。附图说明图1为一个实施例中目标检测方法的应用环境图；图2为一个实施例中目标检测方法的流程示意图；图3为一个实施例中特征提取的步骤的流程示意图；图4为一个实施例中得到不同尺度的特征图的步骤的流程示意图；图5为另一个实施例中得到不同尺度的特征图的步骤的流程示意图；图6为对各组特征图进行混洗的步骤的流程示意图；图7为一个实施例中目标检测步骤的流程示意图；图8为一个实施例中检测模型训练方法的流程示意图；图9a为一个实施例中相似度过高的图像样本对；图9b为一个实施例中目标对象过小的图像样本；图9c为一个实施例中标注目标对象的图像样本；图9d为一个实施例中设置目标对象的标签的图像样本；图9e为一个实施例中不同尺度的特征图检测目标对象的图像样本；图10为一个实施例中目标检测装置的结构框图；图11为一个实施例中检测模型训练装置的结构框图；图12为一个实施例中计算机设备的结构框图。具体实施方式为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。图1为一个实施例中目标检测方法的应用环境图。终端110具体可以是台式终端或移动终端，移动终端具体可以手机、平板电脑、笔记本电脑等中的至少一种。终端110获取目标图像，将该目标图像输入检测模型的特征提取层进行分组卷积和混洗处理，得到不同尺度的特征图，该分组卷积为根据各组卷积核和各组输入通道的映射关系，将该各组卷积核分别与对应的各组输入通道的特征图进行卷积处理。接着，终端110将该不同尺度的特征图输入该检测模型的检测层进行目标检测，得到该目标图像中目标对象的信息。接着，在终端110的界面上展示该目标图像中的目标对象的类别和位置。如图1所示，该特征提取层和检测层中均可包括多层神经网络。可以理解的是，特征提取层和检测层中包括的神经网络的层数均可根据需求设置，特征提取层和检测层中包括的神经网络的层数可不相同。在一个实施例中，如图2所示，提供了一种目标检测方法。本实施例主要以该方法应用于上述图1中的终端110来举例说明。参照图2，该目标检测方法具体包括如下步骤：步骤202，获取目标图像。其中，目标图像为需要确定图像中的目标对象的待检测图像。该目标图像包括但不限于是拍摄的图像、视频中的场景图像和实时获取的虚拟交互场景中的图像。具体地，终端可从其它设备获取待检测的图像，也可以是获取该终端拍摄的图像。终端还可以获取用户在观看视频时截取的图像。在本实施例中，当用户处于虚拟交互场景时，终端还可以实时获取虚拟交互场景中的图像作为目标图像。步骤204，通过检测模型的特征提取层对该目标图像进行分组卷积和混洗处理，得到不同尺度的特征图，该分组卷积为根据各组卷积核和各组输入通道的映射关系，将该各组卷积核分别与对应的各组输入通道的特征图进行卷积处理。其中，该检测模型可分为特征提取层和检测层，特征提取层用于提取目标图像的特征，检测层可用于根据所提取的特征检测出目标图像中的目标对象。分组卷积是指根据各组卷积核和各组输入通道的映射关系，将该各组卷积核分别与对应的各组输入通道的特征图进行卷积处理。混洗是指通道混洗channelshuffle，是用来改变各通道的顺序，使得各通道的特征相融合。具体地，终端将该目标图像输入训练好的检测模型的特征提取层，通过该特征提取层对该目标图像进行卷积处理，得到初步提取的特征图。再通过该特征提取层中的卷积层根据各组卷积核和各组输入通道的映射关系，将该各组卷积核分别与对应的各组输入通道的特征图进行卷积处理，得到分组卷积后的各组特征图。终端再通过该特征提取层将分组卷积后的各组特征图进行混洗处理，混洗后得到一个尺度的特征图。接着，通过该特征提取层对经过混洗后的特征图继续进行分组卷积，得到分组卷积后的各组特征图。并通过该特征提取层将分组卷积后的各组特征图进行混洗，得到另一个尺度的特征图。可以理解的是，后一次混洗得到的特征图的尺度与前一次混洗得到的特征图的尺度不相同。进一步地，终端可通过检测模型的特征提取层进行预设次数的分组卷积和混洗处理，得到多个不同尺度的特征图。该多个不同尺度的特征图可以是3个。预设次数可以是3次、4次或5次等。步骤206，将该不同尺度的特征图输入该检测模型的检测层进行目标检测，得到该目标图像中目标对象的信息。其中，目标对象是指目标图像中的主体。该目标对象可以是目标图像中的人、动物和建筑物等。在虚拟交互场景中，目标对象可以是虚拟交互场景的图像中的虚拟对象和虚拟装备等。目标对象的信息是指目标对象所属的类别和目标对象在目标图像中的位置，该目标对象的位置可包括目标对象在目标图像中的坐标与该目标对象在目标图像中的宽度和高度。具体地，终端可将特征提取层提取的不同尺度的特征图输入检测模型的检测层。检测层对不同尺度的特征图进行目标检测，以确定该目标图像中是否存在目标对象。当检测到该目标图像中存在目标对象时，确定该目标对象所属的类别和该目标对象在该目标图像中的位置。上述目标检测方法，通过获取目标图像，通过检测模型的特征提取层对该目标图像进行分组卷积和混洗处理，该分组卷积为根据各组卷积核和各组输入通道的映射关系，将该各组卷积核分别与对应的各组输入通道的特征图进行卷积处理，从而得到不同尺度的特征图。将该不同尺度的特征图输入该检测模型的检测层进行目标检测，使得可以检测出该目标图像中不同大小的目标对象，并得到该目标图像中目标对象的信息。本方案中通过各组卷积核只与特定组的输入通道相关联，减少了计算量，从而提升了目标检测的速度。在一个实施例中，如图3所示，该特征提取层包括卷积层和混洗层；通过检测模型的特征提取层对所述目标图像进行分组卷积和混洗处理，得到不同尺度的特征图，包括：步骤302，将该目标图像输入检测模型中的当前卷积层进行卷积处理，得到该当前卷积层的下一层的各个输入通道分别对应的特征图。具体地，该特征提取层可包括输入层和多层卷积层。每一层卷积层都是特征图集合。前一层特征图集合通过卷积计算可得到下一层的特征图集合。每一层特征图集合由多个子集组成，每个子集称为一个输入通道。例如，输入层的目标图像为原始彩色图像，该输入层的输入通道就包括由红色像素点值形成的输入通道、绿色像素点值形成的输入通道及蓝色像素点值形成的输入通道，即3个输入通道。检测模型的特征提取层通过第一层卷积层对目标图像进行卷积处理，得到第一层卷积层输出的各个输出通道分别对应的特征图。可以理解的是，第一层卷积层输出的各个输出通道分别对应的特征图即为第二层的各个输入通道分别对应的特征图。将特征提取层的每层卷积层作为当前卷积层，通过当前卷积层的卷积核对当前卷积层的输入通道对应的特征图进行卷积处理，得到该当前卷积层的下一层的各个输入通道分别对应的特征图。步骤304，当该当前卷积层为目标卷积层时，通过该目标卷积层对该各个输入通道分别对应的特征图进行分组卷积处理，得到该目标卷积层输出的各组特征图。具体地，检测当前卷积层是否为目标卷积层，当该当前卷积层为目标卷积层时，可获取当前卷积层的各组卷积核和各组输入通道之间的映射关系。使得每组卷积核对与该组卷积核具有映射关系的一组输入通道对应的特征图进行卷积处理，得到该目标卷积层输出的各组特征图。在本实施例中，可存在多层目标卷积层，例如，该特征提取层包括7层卷积层，可设置第三层至第六层的每层卷积层作为目标卷积层。可以理解，第几层作为目标卷积层和存在几层目标卷积层可根据需求设置。步骤306，通过该检测模型中的混洗层对该目标卷积层输出的各组特征图进行混洗，得到不同尺度的特征图。具体地，该特征提取层还包括混洗层。终端将目标卷积层输出的各组特征图输入混洗层，通混洗层对该目标卷积层输出的各组特征图进行混洗，从而把一组特征图的特征融合到其它组特征图中。通过混洗后得到当前混洗层输出的特征图。在本实施例中，如图4所示，该特征提取层还包括多层混洗层。每层目标卷积层输出各组特征图后，将该层输出的各组特征图输入混洗层进行混洗处理，得到一个尺度的特征图。接着，将该混洗后得到的特征图按照未混洗之前的组数进行分组，得到下一层目标卷积层的各组输入通道对应的特征图。将分组后的各组输入通道对应的特征图作为下一层目标卷积层的输入，继续进行分组卷积和混洗处理。经过不同目标卷积层的分组卷积处理和混洗层的混洗处理，可得到不同尺度的特征图。例如，该特征提取层包括3层目标卷积层和3层混洗层，每层目标卷积层输出的各组特征图都输入到一层混洗层进行混洗处理，每层混洗层对各组特征图进行混洗后都输出一个尺度的特征图。经过3层混洗层后可得到3个不同尺度的特征图。上述目标检测方法，通过将目标图像输入检测模型中的当前卷积层进行卷积处理，得到当前卷积层的下一层的各个输入通道分别对应的特征图。当当前卷积层为目标卷积层时，通过目标卷积层对各个输入通道分别对应的特征图进行分组卷积处理，得到目标卷积层输出的各组特征图。通过确定当前卷积层是否为目标卷积层，以对当前层的输入通道对应的特征图进行不同的处理。通过对目标卷积层的各个输入通道分别对应的特征图进行分组卷积处理，使得一组卷积核只与特定的一组输入通道相关联，从而一组卷积核只对特定的一组输入通道对应的特征图进行卷积处理，减少了卷积处理的计算量。通过检测模型中的混洗层对目标卷积层输出的各组特征图进行混洗，使得一组特征图的特征数据可融合到其余组的特征图中，增加了各组通道之间的联系。通过对各组特征图进行混洗可得到不同尺度的特征图，从而能够根据不同尺度的特征图检测不同大小的目标对象，识别更准确。在一个实施例中，当当前卷积层非目标卷积层时，可将该卷积层的各个输入通道的特征图与该卷积层的各个输入通道各自的卷积核分别进行卷积计算，得到该卷积层的下一层的各个输入通道分别对应的特征图，其中，一个所述卷积核对应下一层的一个输入通道。例如，当从输入层开始到第三层卷积层都为非目标卷积层时，将第一层卷积层到第三层卷积层中的每层卷积层均取各个输入通道自身的卷积核与各个输入通道的特征图分别进行卷积计算，得到下一层对应输入通道的特征图。一层当中的一个输出通道即为下一层的一个输入通道。一层当中的一个输入通道可以与该输入通道的多个卷积核分别做卷积计算。因此，一个卷积核与一个输入通道的卷积计算可以对应得到下层一个输入通道的特征图。可见，当前层通道与下一层通道可以是一对一或一对多关系，因此通过逐层计算，会得到越来越多的通道子集，即越来越多的特征图。每层特征图越多，特征描述得就越细，从而能够更好地代表目标图像特性，有利于细分个体差异，能够有效区分同一类别的不同目标对象。在一个实施例中，该当该当前卷积层为目标卷积层时，通过该目标卷积层对该各个输入通道分别对应的特征图进行分组卷积处理，得到该目标卷积层输出的各组特征图，包括：当该当前卷积层为目标卷积层时，获取该目标卷积层的各组卷积核和各组输入通道之间的映射关系；根据该映射关系将该目标卷积层的各组卷积核分别与对应的各组输入通道的特征图进行卷积处理，得到该目标卷积层输出的各组特征图，其中，一组卷积核对应一组输入通道。具体地，检测模型中的目标卷积层的卷积核被分为多个组，同一层目标卷积层的输入通道也被划分为多个组，同一层卷积核被划分的组数与同一层的输入通道被划分的组数相同。并且，检测模型中预先构建了各组卷积核与各组输入通道之间的映射关系，一组卷积核对应一组输入通道。当该当前卷积层为目标卷积层时，获取该目标卷积层中的卷积核和输入通道之间的映射关系。根据该映射关系将该目标卷积层的各组卷积核分别与对应的各组输入通道的特征图进行组卷积处理，即一组卷积核对与该组卷积核具有映射关系的一组输入通道进行卷积处理，可对应得到该目标卷积层的一组输出通道输出的特征图。可以理解的是，同一卷积层的一组卷积核的数量等于一组输出通道的数量。按照相同的处理方式，可得到该目标卷积层的各组输出通道输出的特征图。该各组输出通道的特征图作为该目标卷积层的下一卷积层的各组输入通道的特征图。上述目标检测方法，通过当该当前卷积层为目标卷积层时，获取该目标卷积层的各组卷积核和各组输入通道之间的映射关系，根据该映射关系将该目标卷积层的各组卷积核分别与对应的各组输入通道的特征图进行卷积处理，使得一组卷积核只对一组输入通道进行卷积处理，而不需要对其它组的输入通道进行卷积处理，减小了卷积处理的计算量，提高了运算的速度。在一个实施例中，如图5所示，该通过该检测模型中的混洗层对该目标卷积层输出的各组特征图进行混洗，得到不同尺度的特征图，包括：步骤502，将该目标卷积层输出的各组特征图转化为特征矩阵。步骤504，将该特征矩阵进行转置。步骤506，将转置后的特征矩阵进行平坦化处理，得到不同尺度的特征图。其中，平坦化处理是指将特征矩阵中的各个特征按行进行拼接。具体地，终端将目标卷积层输出的各组特征图输入检测模型的混洗层，则混洗层将各组特征图转化为特征矩阵，得到组数，每组的个数的特征矩阵。接着将该特征矩阵进行转置以得到每组的个数，组数的特征矩阵。接着，终端通过该混洗层对该转置后的特征矩阵进行平坦化处理，即获取该转置后的特征矩阵的第一行、第二行直至最后一行，将第一行的最后一个和第二行的第一个数据进行拼接，将每行的最后一个与下一行的第一个数据进行拼接后的可得到拼接后的一个特征图。接着，对于不同层的目标卷积层输出的各组特征图按照相同的方式进行处理，可得到多个不同尺度的特征图。上述目标检测方法，通过将该目标卷积层输出的各组特征图转化为特征矩阵，将该特征矩阵进行转置，并将转置后的特征矩阵进行平坦化处理，可将一组特征图的特征融合到其它各组特征图中，从而构建了各组通道之间的关联，使得目标检测更准确。对不同的目标卷积层的各组特征图进行混洗，可得到不同尺度的特征图，从而能够检测出目标图像中不同大小的目标对象。如图6所示，为一个实施例中对各组特征图进行混洗的示意图。如图6中的a所示，目标卷积层输出3组特征图，每组特征图中有2个，即有3组输出通道，每组输出通道中有2个输出通道，则共有3,2个输出通道。如图6中的b所示，终端将3,2个输出通道转换为3,2的特征矩阵。接着，终端将该3,2的特征矩阵进行转置，得到如图6中的c所示的2,3的特征矩阵。接着，终端将2,3的特征矩阵中的第一行的最后一个数据和第二行的第一个数据进行拼接，得到如图6中的d所示的特征图。在一个实施例中，如图7所示，该将该不同尺度的特征图输入该检测模型的检测层进行目标检测，得到该目标图像中目标对象的信息，包括：步骤702，将该不同尺度的特征图输入该检测模型的检测层，通过该检测层将该不同尺度的特征图中的每个特征图划分为至少两个区域。具体地，终端将该不同尺度的特征图输入该检测模型的检测层，该检测层将每个尺度的特征图划分为至少两个区域。在本实施例中，可将该不同尺度的特征图中的每个特征图划分为预设数量的区域。该预设数量可以根据需要设置，比如8个、10个等。步骤704，检测每个区域中存在目标对象的概率。具体地，通过检测层的多个卷积层对该不同尺度的特征图的每个特征图中的每个区域进行卷积处理，输出每个区域中存在目标对象的概率。步骤706，当区域中存在该目标对象的概率超过阈值时，确定该区域中的目标对象的位置和类别。其中，阈值是指区域中是否存在目标对象的临界值。超过该阈值判定区域中存在目标对象，未超过该阈值判定区域中不存在目标对象。具体地，当一个区域中存在目标对象的概率超过阈值时，判定该区域中存在目标对象。当多个区域中存在目标对象的概率超过阈值时，判定多个区域中存在目标对象。进一步地，当确定区域中存在目标对象时，可通过非极大值抑制对每个区域中的目标对象的类别和目标对象在该目标图像中的位置进行抑制，得到每个区域中的目标对象最终对应的类别和该目标对象在该目标图像中的准确位置。上述目标检测方法，通过将该不同尺度的特征图输入该检测模型的检测层，通过该检测层将该不同尺度的特征图中的每个特征图划分为至少两个区域，检测每个区域中存在目标对象的概率，当区域中存在该目标对象的概率超过阈值时，确定该区域中的目标对象的位置和类别，不同尺度的特征图的联合使用，比使用单一特征图进行预测提供了更多有效的信息，利于提高目标检测精度。在一个实施例中，该将该不同尺度的特征图输入该检测模型的检测层进行目标检测，得到该目标图像中目标对象的信息，包括：将该不同尺度的特征图输入该检测模型的检测层，通过该检测层将该不同尺度的特征图进行融合，得到特征金字塔；根据该特征金字塔，确定该目标对象在该目标图像中的位置和类别。其中，特征金字塔是用于检测不同尺度的对象的识别方法。具体地，终端将不同混洗层输出的不同尺度的特征图输入该检测模型的检测层，该检测层将不同尺度的特征图为基础以构建特征金字塔。可利用反卷积操作对特征金字塔结构中高层低分辨的特征图进行上采样得到与浅层特征图同样的分辨率，并按照元素相加的方式对高层特征图与浅层特征图进行特征融合，得到融合后更具描述能力特征图，融合后的特征图包含了高级语义层的特征图信息和浅层的特征图信息，丰富的特征信息为目标检测提供了更多的有效信息。同时使用特征融合后的特征图和低分辨率的特征图进行目标检测，多种特征图的联合使用，比使用单一特征图进行检测提供了更多更有效的信息，利于提高检测精度。使用非极大值抑制对多个检测边框内的目标类别及检测边框相对默认边框的位置偏移量进行抑制，得到最终的检测边框内的目标类别及检测边框相对默认边框的位置偏移量，并根据检测边框相对默认边框的位置偏移量和默认边框的位置坐标求出检测边框的位置坐标。将目标类别和位置的联合检测比分开各自检测更能提高检测模型的计算性能，提高了目标检测的效率。在一个实施例中，该方法还包括：当该目标图像中存在至少两个目标对象时，根据该至少两个目标对象的尺寸使用对应尺寸的边界框对该至少两个目标对象进行标注。具体地，当终端检测到目标图像中存在至少两个目标对象时，终端可确定该目标图像中的每个目标对象的尺寸，并根据每个目标对象的尺寸选取对应的边界框，将每个目标对象在该目标图像中标注出来。根据不同尺寸的目标对象使用对应尺寸的边界框进行标注，可直观的显示出各个目标对象在该目标图像中的位置。在一个实施例中，该目标检测方法应用于虚拟交互场景；该目标图像为虚拟交互场景中实时获取的场景图像。具体地，该目标检测方法可应用于各种虚拟交互场景中，例如多人在线竞技游戏或枪战游戏等虚拟交互场景。当用户标识处于虚拟交互场景中时，终端能够实时获取用户标识当前所处的场景图像，将该场景图像输入检测模型中的当前卷积层进行卷积处理，得到当前卷积层的下一层的各个输入通道分别对应的特征图。当该当前卷积层为目标卷积层时，通过该目标卷积层对该各个输入通道分别对应的特征图进行分组卷积处理，得到该目标卷积层输出的各组特征图；通过该检测模型中的混洗层对该目标卷积层输出的各组特征图进行混洗，得到不同尺度的特征图。接着，将该不同尺度的特征图输入该检测模型的检测层进行目标检测，可得到该用户标识当前所处的场景图像中的目标对象的位置和该目标对象所属的类别。通过对场景图像进行分组卷积处理，能够很大程度上减少检测模型的计算量，极大地提高了对虚拟交互场景中的目标对象的检测速度。使得在终端未配置显卡时，也能够通过CPU实现虚拟交互场景中的目标对象的实时检测。在一个实施例中，如图8所示，提供了一种检测模型训练方法，包括：步骤802，获取训练样本和该训练样本对应的标签。其中，该训练样本为样本图像，训练样本对应的标签包括该样本图像中的目标对象所属的类别和该目标对象在该样本图像中的坐标、高度和宽度。具体地，终端获取训练样本和每个训练样本对应的标签。步骤804，将该训练样本输入待训练的检测模型中特征提取层的当前卷积层进行卷积处理，得到该当前卷积层的下一层的各个输入通道分别对应的特征图。步骤806，当该当前卷积层为目标卷积层时，获取该目标卷积层的各组卷积核和各组输入通道之间的映射关系。步骤808，根据该映射关系将该目标卷积层的各组卷积核分别与对应的各组输入通道的特征图进行卷积处理，得到该目标卷积层输出的各组特征图，其中，一组卷积核对应一组输入通道。步骤810，通过该检测模型中特征提取层的混洗层对该各组特征图进行混洗，得到不同尺度的特征图。具体地，终端将该训练样本输入待训练的检测模型的特征提取层，通过该特征提取层对该训练样本进行卷积处理，得到初步提取的特征图。接着，通过该特征提取层中的卷积层根据各组卷积核和各组输入通道的映射关系，将该各组卷积核分别与对应的各组输入通道的特征图进行卷积处理，得到分组卷积后的各组特征图。接着，再通过该特征提取层的混洗层将分组卷积后的各组特征图进行混洗处理，混洗后得到一个尺度的特征图。接着，通过该特征提取层对经过混洗后的特征图继续进行分组卷积，得到分组卷积后的各组特征图。并通过该特征提取层将分组卷积后的各组特征图进行混洗，得到另一个尺度的特征图。可以理解的是，后一次混洗得到的特征图的尺度与前一次混洗得到的特征图的尺度不相同。进一步地，终端可通过检测模型的特征提取层进行预设次数的分组卷积和混洗处理，可得到多个不同尺度的特征图。步骤812，通过该检测模型中的检测层对该不同尺度的特征图进行目标检测，得到检测结果。其中，检测结果为训练样本中是否存在目标对象，存在目标对象时，检测结果还包括目标对象在该训练样本中的坐标、该目标对象在该训练样本中的宽度和高度，以及该目标对象对应的类别。具体地，终端可将特征提取层提取的不同尺度的特征图输入检测模型的检测层。检测层对不同尺度的特征图进行目标检测，以确定该训练样本中是否存在目标对象。当检测到该训练样本中存在目标对象时，确定该目标对象在该训练样本中的坐标、该目标对象在该训练样本中的宽度和高度，以及该目标对象对应的类别。步骤814，按照该检测结果和该标签的差异，调整该检测模型的参数并继续训练，直至满足训练停止条件时结束训练。具体地，终端将检测模型检测出的目标对象在该训练样本中的坐标、该目标对象在该训练样本中的宽度和高度，以及该目标对象对应的类别，与该训练样本对应的标签中的目标对象在该样本图像中的坐标、高度和宽度，以及该目标对象所属的类别进行对比，以确定检测结果和标签之间的差异。上述检测模型训练方法，通过将获取训练样本和所述训练样本对应的标签，将所述训练样本输入待训练的检测模型中提取不同尺度的特征图，并根据不同尺度的特征图得到训练样本的检测结果，再确定检测结果和训练样本对应的标签的差异，根据差异调整该检测模型的参数并继续训练，直至满足训练停止条件时结束训练，从而得到训练好的的检测模型。该训练好的检测模型减少了卷积处理的计算量，提高了运算的速度，从而提高了目标检测的效率。在一个实施例中，提供了一种目标检测方法，包括：终端获取训练样本和该训练样本对应的标签。接着，终端将该训练样本输入待训练的检测模型中特征提取层的当前卷积层进行卷积处理，得到该当前卷积层的下一层的各个输入通道分别对应的特征图。可选地，当该当前卷积层为目标卷积层时，终端获取该目标卷积层的各组卷积核和各组输入通道之间的映射关系。接着，终端根据该映射关系将该目标卷积层的各组卷积核分别与对应的各组输入通道的特征图进行卷积处理，得到该目标卷积层输出的各组特征图，其中，一组卷积核对应一组输入通道。进一步地，终端通过该检测模型中特征提取层的混洗层对该各组特征图进行混洗，得到不同尺度的特征图。接着，终端通过该检测模型中的检测层对该不同尺度的特征图进行目标检测，得到检测结果。进一步地，终端按照该检测结果和该标签的差异，调整该检测模型的参数并继续训练，直至满足训练停止条件时结束训练。接着，终端获取目标图像；将该目标图像输入检测模型中的当前卷积层进行卷积处理，得到该当前卷积层的下一层的各个输入通道分别对应的特征图；可选地，当该当前卷积层为目标卷积层时，终端获取该目标卷积层的各组卷积核和各组输入通道之间的映射关系。接着，终端根据该映射关系将该目标卷积层的各组卷积核分别与对应的各组输入通道的特征图进行卷积处理，得到该目标卷积层输出的各组特征图，其中，一组卷积核对应一组输入通道。接着，终端将该目标卷积层输出的各组特征图转化为特征矩阵；将该特征矩阵进行转置；将转置后的特征矩阵进行平坦化处理，得到不同尺度的特征图。可选地，终端将该不同尺度的特征图输入该检测模型的检测层，通过该检测层将该不同尺度的特征图中的每个特征图划分为至少两个区域；检测每个区域中存在目标对象的概率；当区域中存在该目标对象的概率超过阈值时，确定该区域中的目标对象的位置和类别。可选地，终端将该不同尺度的特征图输入该检测模型的检测层，通过该检测层将该不同尺度的特征图进行融合，得到特征金字塔；根据该特征金字塔确定该目标对象在该目标图像中的位置和类别。进一步地，当该目标图像中存在至少两个目标对象时，终端根据该至少两个目标对象的尺寸使用对应尺寸的边界框对该至少两个目标对象进行标注。上述目标检测方法，通过获取训练样本和训练样本对应的标签，并通过待训练的检测模型提取得到训练样本的不同尺度的特征图，通过检测模型的检测层得到训练样本的检测结果，将检测结果和标签进行对比，以确定检测结果和标签的差异，根据差异调整检测模型的参数，从而得到训练好的检测模型。通过将目标图像输入检测模型中的当前卷积层进行卷积处理，得到当前卷积层的下一层的各个输入通道分别对应的特征图。当当前卷积层为目标卷积层时，通过目标卷积层对各个输入通道分别对应的特征图进行分组卷积处理，得到目标卷积层输出的各组特征图。通过确定当前卷积层是否为目标卷积层，以对当前层的输入通道对应的特征图进行不同的处理。通过对目标卷积层的各个输入通道分别对应的特征图进行分组卷积处理，使得一组卷积核只与特定的一组输入通道相关联，从而一组卷积核只对特定的一组输入通道对应的特征图进行卷积处理，减少了卷积处理的计算量，提高检测模型的运算速度。通过检测模型中的混洗层对目标卷积层输出的各组特征图进行混洗，使得一组特征图的特征数据可融合到其余组的特征图中，增加了各组通道之间的联系。通过对各组特征图进行混洗可得到不同尺度的特征图，从而能够根据不同尺度的特征图检测不同大小的目标对象，识别更准确。通过该检测层将该不同尺度的特征图中的每个特征图划分为至少两个区域，检测每个区域中存在目标对象的概率，当区域中存在该目标对象的概率超过阈值时，确定该区域中的目标对象的位置和类别，不同尺度的特征图的联合使用，比使用单一特征图进行预测提供了更多有效的信息，利于提高目标检测精度。或者通过特征金字塔进行目标检测，使用特征融合后的特征图和低分辨率的特征图进行目标检测，将目标类别和位置的联合检测比分开各自检测更能提高检测模型的计算性能，提高了目标检测的效率。在一个实施例中，该目标检测方法可应用于枪战游戏中。从用户在该枪战游戏的视频中提取图像样本，采样的时间间隔为1秒，采样完毕后需要人工筛选图像样本，将其中相似度过大的冗余样本删除。如图9a所示，为两张相似度过高的图像样本对，冗余图像过多容易使检测模型过拟合，则在相似度过高的图像样本中保留一张，删除其余的相似度过高的图像样本。其次，图像样本中不能存在太小的目标对象，如果目标对象的面积小于图像样本面积的1400，则删除这张图像样本，图9b展示了包含过小目标的样本。如果样本集合中包含过多的小目标，由于检测模型学习能力有限，在这种样本集合下检测模型难以收敛。收集完图像样本，需要给图像样本中的目标对象打上标签，标明目标对象所在的矩形区域，图9c展示了标注的样例，黑框标识了目标的位置。进一步地，需要给每张图像样本中的目标对象打上标签，标明目标左上角的x坐标、y坐标、目标对象的宽和高，该标签还包括目标对象所属的类别，即枪战游戏中的保卫者和潜伏者两种类别，标注的样本如图9d所示。得到图像样本集合和对应的标签集合后，使用图像样本训练检测模型，该检测模型将一部分卷积层通道分为多组，在进行卷积操作的时候，每组卷积核只与特定组的通道进行卷积处理。在进行完卷积操作之后，再采用混洗层对不同组的特征图进行混洗，充分利用了不同组之间的联系。通过不同卷积层的分组卷积处理和不同混洗层的混洗处理，可得到不同尺度的特征图。通过不同尺度的特征图可检测出不同大小的目标对象，图9e展示了三个不同尺度的特征图检测出的枪战游戏中的目标对象。采用三个尺度的特征图对不同大小的目标进行检测，大尺度的特征图用于检测大的目标对象，中等尺度的特征图用于中等大小的目标对象检测，小尺度的特征图用于小目标对象的检测。通过不同尺度的特征图检测出样本图像中的目标对象，并输出每个目标对象在样本图像中的位置和每个目标对象所属的类别。将检测模型的检测结果和标签进行对比，根据两者的差异调整检测模型的参数并继续训练检测模型，得到满足条件的检测模型，即训练好的检测模型。通过训练好的检测模型可在计算机没有配置显卡时，通过CPU实现枪战类游戏的实时目标检测。这种方案相比传统卷积能减少检测模型的复杂度，而检测模型的精度变化不大，减少检测模型的计算量，从而加快目标检测的速度。与传统的深度可分离卷积相比，由于采用混洗层加大了不同特征组间的联系，该方案能提升检测模型的检测效果，提高特征提取的速度，从而可实现在CPU下实时检测枪战游戏中的目标对象。图2-图8为一个实施例中目标检测方法的流程示意图。应该理解的是，虽然图2-图8的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-图8中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。在一个实施例中，如图10所示，提供了一种目标检测装置，包括：获取模块1002、特征提取模块1004和检测模块1006。其中，获取模块1002，用于获取目标图像。特征提取模块1004，用于通过检测模型的特征提取层对该目标图像进行分组卷积和混洗处理，得到不同尺度的特征图，该分组卷积为根据各组卷积核和各组输入通道的映射关系，将该各组卷积核分别与对应的各组输入通道的特征图进行卷积处理。检测模块1006，用于将该不同尺度的特征图输入该检测模型的检测层进行目标检测，得到该目标图像中目标对象的信息。上述目标检测装置，通过获取目标图像，将该目标图像输入检测模型的特征提取层进行分组卷积和混洗处理，该分组卷积为根据各组卷积核和各组输入通道的映射关系，将该各组卷积核分别与对应的各组输入通道的特征图进行卷积处理，从而得到不同尺度的特征图。将该不同尺度的特征图输入该检测模型的检测层进行目标检测，使得可以检测出该目标图像中不同大小的目标对象，并得到该目标图像中目标对象的信息。本方案中通过各组卷积核只与特定组的输入通道相关联，减少了计算量，从而提升了目标检测的速度。在一个实施例中，该特征提取模块1004还用于：将该目标图像输入检测模型中的当前卷积层进行卷积处理，得到该当前卷积层的下一层的各个输入通道分别对应的特征图；当该当前卷积层为目标卷积层时，通过该目标卷积层对该各个输入通道分别对应的特征图进行分组卷积处理，得到该目标卷积层输出的各组特征图；通过该检测模型中的混洗层对该目标卷积层输出的各组特征图进行混洗，得到不同尺度的特征图。上述目标检测装置，通过将目标图像输入检测模型中的当前卷积层进行卷积处理，得到当前卷积层的下一层的各个输入通道分别对应的特征图。当当前卷积层为目标卷积层时，通过目标卷积层对各个输入通道分别对应的特征图进行分组卷积处理，得到目标卷积层输出的各组特征图。通过确定当前卷积层是否为目标卷积层，以对当前层的输入通道对应的特征图进行不同的处理。通过对目标卷积层的各个输入通道分别对应的特征图进行分组卷积处理，使得一组卷积核只与特定的一组输入通道相关联，从而一组卷积核只对特定的一组输入通道对应的特征图进行卷积处理，减少了卷积处理的计算量。通过检测模型中的混洗层对目标卷积层输出的各组特征图进行混洗，使得一组特征图的特征数据可融合到其余组的特征图中，增加了各组通道之间的联系。通过对各组特征图进行混洗可得到不同尺度的特征图，从而能够根据不同尺度的特征图检测不同大小的目标对象，识别更准确。在一个实施例中，该特征提取模块1004还用于：当该当前卷积层为目标卷积层时，获取该目标卷积层的各组卷积核和各组输入通道之间的映射关系；根据该映射关系将该目标卷积层的各组卷积核分别与对应的各组输入通道的特征图进行卷积处理，得到该目标卷积层输出的各组特征图，其中，一组卷积核对应一组输入通道。上述目标检测装置，通过当该当前卷积层为目标卷积层时，获取该目标卷积层的各组卷积核和各组输入通道之间的映射关系，根据该映射关系将该目标卷积层的各组卷积核分别与对应的各组输入通道的特征图进行卷积处理，使得一组卷积核只对一组输入通道进行卷积处理，而不需要对其它组的输入通道进行卷积处理，减小了卷积处理的计算量，提高了运算的速度。在一个实施例中，该特征提取模块1004还用于：将该目标卷积层输出的各组特征图转化为特征矩阵；将该特征矩阵进行转置；将转置后的特征矩阵进行平坦化处理，得到不同尺度的特征图。通过将该目标卷积层输出的各组特征图转化为特征矩阵，将该特征矩阵进行转置，并将转置后的特征矩阵进行平坦化处理，可将一组特征图的特征融合到其它各组特征图中，从而构建了各组通道之间的关联，使得目标检测更准确。对不同的目标卷积层的各组特征图进行混洗，可得到不同尺度的特征图，从而能够检测出目标图像中不同大小的目标对象。在一个实施例中，该检测模块1006还用于：将该不同尺度的特征图输入该检测模型的检测层，通过该检测层将该不同尺度的特征图中的每个特征图划分为至少两个区域；检测每个区域中存在目标对象的概率；当区域中存在该目标对象的概率超过阈值时，确定该区域中的目标对象的位置和类别。上述目标检测装置，通过将该不同尺度的特征图输入该检测模型的检测层，通过该检测层将该不同尺度的特征图中的每个特征图划分为至少两个区域，检测每个区域中存在目标对象的概率，当区域中存在该目标对象的概率超过阈值时，确定该区域中的目标对象的位置和类别，不同尺度的特征图的联合使用，比使用单一特征图进行预测提供了更多有效的信息，利于提高目标检测精度。在一个实施例中，该检测模块1006还用于：将该不同尺度的特征图输入该检测模型的检测层，通过该检测层将该不同尺度的特征图进行融合，得到特征金字塔；根据该特征金字塔，确定该目标对象在该目标图像中的位置和类别。将目标类别和位置的联合检测比分开各自检测更能提高检测模型的计算性能，提高了目标检测的效率。在一个实施例中，该装置还包括：标注模块。该标注模块用于：当该目标图像中存在至少两个目标对象时，根据该至少两个目标对象的尺寸使用对应尺寸的边界框对该至少两个目标对象进行标注。根据不同尺寸的目标对象使用对应尺寸的边界框进行标注，可直观的显示出各个目标对象在该目标图像中的位置。在一个实施例中，如图11所示，提供了一种检测模型训练装置，包括：样本获取模块1102、样本卷积模块1104、映射关系获取模块1106、输出模块1108、混洗模块1110、样本目标检测模块1112和调整模块1114。其中，样本获取模块1102，用于获取训练样本和该训练样本对应的标签。样本卷积模块1104，用于将该训练样本输入待训练的检测模型中的特征提取层的当前卷积层进行卷积处理，得到该当前卷积层的下一层的各个输入通道分别对应的特征图。映射关系获取模块1106，用于当该当前卷积层为目标卷积层时，获取该目标卷积层的各组卷积核和各组输入通道之间的映射关系。输出模块1108，用于根据该映射关系将该目标卷积层的各组卷积核分别与对应的各组输入通道的特征图进行卷积处理，得到该目标卷积层输出的各组特征图，其中，一组卷积核对应一组输入通道。混洗模块1110，用于通过该检测模型中的特征提取层的混洗层对该各组特征图进行混洗，得到不同尺度的特征图。样本目标检测模块1112，用于通过该检测模型中的检测层对该不同尺度的特征图进行目标检测，得到检测结果。调整模块1114，用于按照该检测结果和该标签的差异，调整该检测模型的参数并继续训练，直至满足训练停止条件时结束训练。上述检测模型训练装置，通过将获取训练样本和所述训练样本对应的标签，将所述训练样本输入待训练的检测模型中提取不同尺度的特征图，并根据不同尺度的特征图得到训练样本的检测结果，再确定检测结果和训练样本对应的标签的差异，根据差异调整该检测模型的参数并继续训练，直至满足训练停止条件时结束训练，从而得到训练好的的检测模型。该训练好的检测模型减少了卷积处理的计算量，提高了运算的速度，从而提高了目标检测的效率。图12示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是图1中的终端110。如图12所示，该计算机设备包括该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、输入装置和显示屏。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现目标检测方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行目标检测方法。计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。本领域技术人员可以理解，图12中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。在一个实施例中，本申请提供的目标检测装置可以实现为一种计算机程序的形式，计算机程序可在如图12所示的计算机设备上运行。计算机设备的存储器中可存储组成该目标检测装置的各个程序模块，比如，图10所示的获取模块1002、特征提取模块1004和检测模块1006。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本申请各个实施例的目标检测方法中的步骤。例如，图12所示的计算机设备可以通过如图10所示的目标检测装置中的获取模块1002执行获取目标图像的步骤。计算机设备可通过特征提取模块执行将所述目标图像输入检测模型的特征提取层进行分组卷积和混洗处理，得到不同尺度的特征图，所述分组卷积为根据各组卷积核和各组输入通道的映射关系，将所述各组卷积核分别与对应的各组输入通道的特征图进行卷积处理的步骤。计算机设备可通过检测模块1006执行将所述不同尺度的特征图输入所述检测模型的检测层进行目标检测，得到所述目标图像中目标对象的信息的步骤。在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时，使得处理器执行上述目标检测方法的步骤。此处目标检测方法的步骤可以是上述各个实施例的目标检测方法中的步骤。在一个实施例中，提供了一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时，使得处理器执行上述目标检测方法的步骤。此处目标检测方法的步骤可以是上述各个实施例的目标检测方法中的步骤。本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和或易失性存储器。非易失性存储器可包括只读存储器ROM、可编程ROMPROM、电可编程ROMEPROM、电可擦除可编程ROMEEPROM或闪存。易失性存储器可包括随机存取存储器RAM或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAMSRAM、动态RAMDRAM、同步DRAMSDRAM、双数据率SDRAMDDRSDRAM、增强型SDRAMESDRAM、同步链路SynchlinkDRAMSLDRAM、存储器总线Rambus直接RAMRDRAM、直接存储器总线动态RAMDRDRAM、以及存储器总线动态RAMRDRAM等。以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

权利要求：1.一种目标检测方法，包括：获取目标图像；通过检测模型的特征提取层对所述目标图像进行分组卷积和混洗处理，得到不同尺度的特征图，所述分组卷积为根据各组卷积核和各组输入通道的映射关系，将所述各组卷积核分别与对应的各组输入通道的特征图进行卷积处理；将所述不同尺度的特征图输入所述检测模型的检测层进行目标检测，得到所述目标图像中目标对象的信息。2.根据权利要求1所述的方法，其特征在于，所述特征提取层包括卷积层和混洗层；所述通过检测模型的特征提取层对所述目标图像进行分组卷积和混洗处理，得到不同尺度的特征图，包括：将所述目标图像输入检测模型中的当前卷积层进行卷积处理，得到所述当前卷积层的下一层的各个输入通道分别对应的特征图；当所述当前卷积层为目标卷积层时，通过所述目标卷积层对所述各个输入通道分别对应的特征图进行分组卷积处理，得到所述目标卷积层输出的各组特征图；通过所述检测模型中的混洗层对所述目标卷积层输出的各组特征图进行混洗，得到不同尺度的特征图。3.根据权利要求2所述的方法，其特征在于，所述当所述当前卷积层为目标卷积层时，通过所述目标卷积层对所述各个输入通道分别对应的特征图进行分组卷积处理，得到所述目标卷积层输出的各组特征图，包括：当所述当前卷积层为目标卷积层时，获取所述目标卷积层的各组卷积核和各组输入通道之间的映射关系；根据所述映射关系将所述目标卷积层的各组卷积核分别与对应的各组输入通道的特征图进行卷积处理，得到所述目标卷积层输出的各组特征图，其中，一组卷积核对应一组输入通道。4.根据权利要求2所述的方法，其特征在于，所述通过所述检测模型中的混洗层对所述目标卷积层输出的各组特征图进行混洗，得到不同尺度的特征图，包括：将所述目标卷积层输出的各组特征图转化为特征矩阵；将所述特征矩阵进行转置；将转置后的特征矩阵进行平坦化处理，得到不同尺度的特征图。5.根据权利要求1所述的方法，其特征在于，所述将所述不同尺度的特征图输入所述检测模型的检测层进行目标检测，得到所述目标图像中目标对象的信息，包括：将所述不同尺度的特征图输入所述检测模型的检测层，通过所述检测层将所述不同尺度的特征图中的每个特征图划分为至少两个区域；检测每个区域中存在目标对象的概率；当区域中存在所述目标对象的概率超过阈值时，确定所述区域中的目标对象的位置和类别。6.根据权利要求1所述的方法，其特征在于，所述将所述不同尺度的特征图输入所述检测模型的检测层进行目标检测，得到所述目标图像中目标对象的信息，包括：将所述不同尺度的特征图输入所述检测模型的检测层，通过所述检测层将所述不同尺度的特征图进行融合，得到特征金字塔；根据所述特征金字塔确定所述目标对象在所述目标图像中的位置和类别。7.根据权利要求1所述的方法，其特征在于，所述目标检测方法应用于虚拟交互场景；所述目标图像为所述虚拟交互场景中实时获取的场景图像。8.一种检测模型训练方法，包括：获取训练样本和所述训练样本对应的标签；将所述训练样本输入待训练的检测模型中特征提取层的当前卷积层进行卷积处理，得到所述当前卷积层的下一层的各个输入通道分别对应的特征图；当所述当前卷积层为目标卷积层时，获取所述目标卷积层的各组卷积核和各组输入通道之间的映射关系；根据所述映射关系将所述目标卷积层的各组卷积核分别与对应的各组输入通道的特征图进行卷积处理，得到所述目标卷积层输出的各组特征图，其中，一组卷积核对应一组输入通道；通过所述检测模型中特征提取层的混洗层对所述各组特征图进行混洗，得到不同尺度的特征图；通过所述检测模型中的检测层对所述不同尺度的特征图进行目标检测，得到检测结果；按照所述检测结果和所述标签的差异，调整所述检测模型的参数并继续训练，直至满足训练停止条件时结束训练。9.一种目标检测装置，其特征在于，所述装置包括：获取模块，用于获取目标图像；特征提取模块，用于通过检测模型的特征提取层对所述目标图像进行分组卷积和混洗处理，得到不同尺度的特征图，所述分组卷积为根据各组卷积核和各组输入通道的映射关系，将所述各组卷积核分别与对应的各组输入通道的特征图进行卷积处理；检测模块，用于将所述不同尺度的特征图输入所述检测模型的检测层进行目标检测，得到所述目标图像中目标对象的信息。10.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1至8中任一项所述方法的步骤。

百度查询： 腾讯科技(深圳)有限公司 目标检测方法、装置、计算机可读存储介质和计算机设备